(imatge generada amb DALL-E i ZMO.AI )
En el seu llibre “On Intelligence”, publicat en 2004, Jeff Hawkins va definir la intel·ligència com la capacitat de predir el futur, com ara el pes d’un got que estem a punt d’aixecar o la reacció dels altres davant les nostres accions, basant-se en patrons emmagatzemats en memòria (el marc de predicció de memòria). Aquest mateix principi es troba darrera de l’aprenentatge automàtic (ML).
Què és el ML?
L’aprenentatge automàtic és una disciplina dins de l’àmbit de la Intel·ligència Artificial que, mitjançant algorismes, dota els ordinadors de la capacitat d’identificar patrons en dades massives i fer prediccions (anàlisi predictiva). Aquest aprenentatge permet als ordinadors realitzar tasques específiques de manera autònoma, sense necessitat de ser programats.
El terme “aprenentatge automàtic” es va utilitzar per primera vegada a la dècada de 1950. Arthur Samuel. Va ser investigador d’IBM, i va desenvolupar programes d’escacs i dames que utilitzaven algorismes d’aprenentatge per millorar el rendiment. El 1959, va escriure un famós article titulat “Alguns estudis sobre l’aprenentatge automàtic amb el joc de dames”, en el qual va introduir per primera vegada el terme “aprenentatge automàtic”. Va descriure el sistema que utilitzava per ensenyar als ordinadors a jugar a les dames de manera autònoma.
El terme ha guanyat rellevància en els últims anys a causa de l’augment de la potència de càlcul i l’auge de les dades. Les tècniques d’aprenentatge automàtic són, de fet, una part fonamental del Big Data.
Quins són els tipus d’algorismes ML?
Podem destacar tres categories principals, depenent de la sortida esperada i el tipus d’entrada.
- ML supervisat: aquests algorismes tenen un aprenentatge previ basat en un sistema d’etiquetes associades a dades, que els permet prendre decisions o prediccions. Un exemple és un detector de correu brossa que etiqueta un correu electrònic com a correu brossa o no en funció dels patrons apresos de l’historial del correu electrònic (remitent, relació text/imatge, paraules clau a l’assumpte, etc.).
- ML no supervisat: aquests algorismes no tenen coneixements previs. S’enfronten al caos de les dades amb l’objectiu de trobar patrons que els permetin organitzar-lo d’alguna manera. Per exemple, en l’àmbit del màrqueting, s’utilitzen per extreure patrons de dades massives de xarxes socials i crear campanyes publicitàries altament segmentades.
- ML per reforç: el seu objectiu és que un algorisme aprengui de la seva pròpia experiència. En altres paraules, hauria de ser capaç de prendre la millor decisió en diferents situacions mitjançant un procés d’assaig i error en el qual es premiin les decisions correctes. Actualment s’utilitza per al reconeixement facial, diagnòstics mèdics o per classificar seqüències d’ADN.
Quines són les aplicacions pràctiques de ML?
ML és una de les pedres angulars de la transformació digital. Actualment s’utilitza per trobar noves solucions en diversos camps, entre els quals destaquen:
- Multimèdia i entreteniment: s’implementen algorismes d’aprenentatge automàtic per oferir als consumidors recomanacions de contingut personalitzades i fins i tot agilitzar la producció. Per exemple, Spotify utilitza motors de processament intel·ligents per predir els gustos musicals dels usuaris i generar llistes de reproducció automàticament perquè sempre puguis trobar la música que cerques.
- Xarxes socials: Twitter, per exemple, utilitza algorismes ML per reduir significativament el correu brossa a la plataforma. Facebook també l’utilitza per detectar notícies falses i contingut prohibit a les transferències en directe, bloquejant-les automàticament.
- Medicina i ciències biològiques: els investigadors de ML desenvolupen solucions que detecten tumors cancerosos o malalties oculars, augmentant les possibilitats de curació.
- Ciberseguretat: els nous motors de detecció d’antivirus i software maliciós ja utilitzen l’aprenentatge automàtic per millorar l’escaneig, accelerar la detecció i millorar el reconeixement d’anomalies.
- Processos de fabricació: el ML pot donar suport al manteniment predictiu, el control de qualitat i la investigació innovadora en el sector de la fabricació. Per exemple, NotCo és una empresa dedicada a la producció i venda de productes 100% vegans. Treballen amb un algorisme d’aprenentatge automàtic conegut com Giuseppe, que busca la millor combinació d’ingredients per satisfer fins i tot els paladars més exigents, replicant el gust, la textura i l’olor dels productes d’origen animal.
L’aprenentatge automàtic ha demostrat ser una eina poderosa en l’era digital, amb un ampli abast i possibilitats il·limitades per a futures innovacions.
Podeu trobar més articles informatius sobre tecnologia al nostre blog. Visita’ns: Unimedia Blog
